用路径积分统一生成模型
Unifying Generative Models with Path Integrals
浏览论文内容
中文总结 AI 辅助
该研究将生成建模表述为路径积分，提出MSRJD形式的图示微扰理论，为确定性采样器提供无随机采样成本的单圈修正，还推导了响应加权得分匹配目标与EFT幂次计数下的对称等变漂移设计。
中文摘要 AI 辅助
我们将生成建模表述为一种路径积分，其中基于流、扩散、变分和对抗的模型，均源于对单一主作用量的不同评估原则。其Martin-Siggia-Rose-Janssen-de~Dominicis（MSRJD）形式将自由概率流与相互作用概率流分离，使其可纳入图示微扰理论。该展开在无随机采样成本的情况下，为确定性采样器提供了单圈修正，我们在可解与非线性漂移上验证了这一点，其将53%的树级误差降至1.6%。不完善的学习得分作为插入项，产生响应加权得分匹配目标，而对称等变漂移设计则成为有效场论（EFT）幂次计数下的算符展开。
英文摘要
We formulate generative modeling as a path integral in which flow-based, diffusion-based, variational, and adversarial models arise as different evaluation principles for a single master action. Its Martin-Siggia-Rose-Janssen-de~Dominicis (MSRJD) form separates free from interacting probability flows and opens them to diagrammatic perturbation theory. The expansion yields a one-loop correction to deterministic samplers at no stochastic-sampling cost, which we validate on solvable and nonlinear drifts, where it reduces a 53 % tree-level error to 1.6 %. Imperfect learned scores enter as insertions and yield a response-weighted score-matching objective, and symmetry-equivariant drift design becomes an operator expansion with EFT power counting.
发表机构
- Università degli Studi di Milano（米兰大学）
- INFN（意大利国家核物理研究院）
机构由 AI 辅助整理，请以论文原文为准。
